CN113723670B - 变时间窗口的光伏发电功率短期预测方法 - Google Patents
变时间窗口的光伏发电功率短期预测方法 Download PDFInfo
- Publication number
- CN113723670B CN113723670B CN202110924227.5A CN202110924227A CN113723670B CN 113723670 B CN113723670 B CN 113723670B CN 202110924227 A CN202110924227 A CN 202110924227A CN 113723670 B CN113723670 B CN 113723670B
- Authority
- CN
- China
- Prior art keywords
- prediction
- photovoltaic power
- power generation
- day
- short
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000003066 decision tree Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000003203 everyday effect Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种变时间窗口的光伏发电功率短期预测方法。该方法包括:获取日前气象预报进行日前光伏预测,在待预测日当日实时监测实际气象数据和实际光伏功率,由日内预测触发条件得到启动信号,若为真值则启动日内预测,并更新光伏发电功率短期预测结果;否则继续进行下一次监测。本发明与其它定时间窗口光伏发电短期预测方法相比,降低了预测模型对数值天气预报精度的依赖性,得到了更准确的预测结果。
Description
技术领域
本发明属本发明属于电力系统的运行、仿真、分析与调度技术领域,具体涉及一种变时间窗口的光伏发电功率短期预测方法。
背景技术
近年来在国家能源发展战略的引导下,光伏电源建设迅速发展。对光伏发电功率的建模和预测已经成为电网规划和调度运行极为关注的问题。光伏电源的日功率曲线同时具有规律性和强波动性特征。其规律性源自地球自转和绕日公转的规律。其波动性和间歇性则来源于地表气象变化和云层运动的影响。目前分布式光伏电站普遍配置了功率和环境测量与存储装置,能记录光伏功率和辐照度、环境温度等重要数据,所提供的功率录波时间尺度可以达到秒级。这些大数据资源为数据驱动的光伏功率特性挖掘、建模和预测应用创造了条件。
目前对于光伏功率短期预测的研究主要利用统计学原理,根据影响光伏发电功率的环境因素数据和历史发电数据,建立各种数学预测模型,实现对未来光伏发电系统出力的短期功率预测。由此衍生出各种人工智能算法模型,如神经网络、支持向量机、卡尔曼滤波算法、马尔科夫链、粒子群算法和遗传算法等。但该方法需要大量的历史数据,且预测效果受限于输入与输出之间的相关性,具有容易陷入欠拟合和过拟合的缺陷。
由此可见,准确的数值天气预报是光伏发电功率短期预测的基础。但高度依赖准确的日前气象预报,光伏功率短期预测将无法适应日内天气频繁变化。但在实际应用中,由于国内的气象预报服务刚刚起步,获取准确详尽的日前预报数据十分困难,导致日前光伏预测精度难以提高。光伏发电功率超短期预测对应的预测步长又无法满足新能源系统能量管理的应用场景。因此综合预测才是解决光伏发电功率短期预测过度依赖气象预报,无法适应天气突变的新方案。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种变时间窗口的光伏发电功率短期预测。
为实现上述发明的目的,本发明解决其技术问题所采用的方案是:
一种基于变时间窗口的光伏发电短期功率预测方法,其包括如下步骤:
S1:以当前日作为T日,将下一日的日前气象预报输入光伏发电功率预测模型中,进行T+1日中指定预测时间窗口的光伏发电功率短期预测,得到T+1日的光伏发电功率短期预测结果;
S2:在T+1日的指定预测时间窗口内,实时记录光伏发电开始后的实际光伏发电功率和实际气象数据,并结合前一日的光伏发电功率短期预测结果和日前气象预报,每隔固定周期计算光伏发电功率的短期预测误差和气象预报误差并将计算结果输入决策树,判断是否满足启动日内预测的触发条件,若判断结果为是,则利用T+1日的最新气象预报重新通过光伏发电功率预测模型进行光伏发电功率日内预测,并更新T+1日的短期光伏功率预测结果;若判断结果为否,则无需进行光伏发电功率日内预测;
S3:每日重复执行S1和S2,并将不断记录得到的实际光伏发电功率和实际气象数据用于光伏发电功率预测模型的训练和更新。
作为优选,所述日前气象预报中的气象指标,预先经过包含相关性分析、特征筛选、数据清洗在内的特征工程处理,最终得到光伏发电功率预测模型的输入。
作为优选,所述日前气象预报中,选择辐照度(Radiation)、降雨量(WeatherRainfall)、湿度(Weather Relative Humidity)、温度(Weather Temperature)四个参数作为光伏发电功率预测模型的输入。
作为优选,所述光伏发电功率预测模型采用经过训练的卷积神经网络,所述的卷积神经网络包括四维输入,分别经由四个一维卷积层和平均池化层以提取时间序列的数据特征,最后由Flatten层连接到两层全连接层,并经由Dropout模块输出光伏发电功率短期预测结果。
作为优选,所述决策树为梯度提升决策树,其输入为最近一个固定周期内T+1日实际气象数据与对应的日前气象预报数据之间的第一误差,以及最近一个固定周期内T+1日实际光伏发电功率数据与对应的光伏发电功率短期预测结果之间的第二误差,其输出为日内预测的启动信号,其中1代表启动日内预测,0代表不启动日内预测。
作为优选,所述决策树预先采用监督学习算法进行训练,且训练样本的启动信号标签根据所述第二误差以及误差门槛值确定;
所述第二误差RMSE采用均方根误差,计算公式为:
其中,N为最近一个固定周期内的光伏功率预测点的个数,Pi、分别表示第i个预测点的光伏功率预测值和光伏功率真实值;
若训练样本的所述第二误差RMSE大于误差门槛值,则该样本的标签为1,否则为0。
作为优选,所述梯度提升决策树的分类指标为基尼指数,树的最大深度为4。
作为优选,根据每日不断出现的光伏发电功率实际值数据和实际气象数据,光伏发电功率预测模型不断进行训练和更新,并利用最新的模型参与下一次预测。
本发明提出了一种变时间窗口的光伏发电功率短期预测,具有的收益效果是:
1.与其他短期光伏预测方法相比提高了预测精度和灵活性,对待预测日当日的实际情况具有更多应变能力;
2.从能量管理系统操作的角度出发,综合预测能及时调整、及时调度,最小化运营成本,增强新能源系统的经济性;
3.日内预测触发条件的设计避免了固定时间间隔启动光伏发电功率日内预测的情况,更好跟踪预测精度的变化,避免计算资源的浪费。
附图说明
图1是本发明实施例的变时间窗口的光伏发电功率短期预测步骤示意图;
图2是本发明实施例的光伏功率日前预测模型示意图;
图3是本发明实施例的日内预测触发条件逻辑图;
图4是本发明实施例的两个典型天气下(云量较多日和云量较少日)的日前预测方均根误差率图;
图5是本发明实施例的几个典型日的日前预测曲线、多层嵌套预测执行曲线对比图。
图6是本发明实施例测试集的日前预测和变时间窗口光伏发电功率短期预测方均根误差率对比图。
具体实施方式
以下结合附图1至6给出的实施例,进一步说明本发明的变时间窗口的光伏发电功率短期预测的具体实施方式。本发明的变时间窗口的光伏发电功率短期预测不限于以下实施例的描述。
本发明提供了一种变时间窗口的光伏发电功率短期预测方法,其针对光伏功率短期预测问题,采用变时间窗口预测的方法,在光伏发电功率日前预测的基础上,实时监测预测结果偏差和气象预报偏差,采用决策树对是否启动光伏发电功率日内预测做出判断,仅在决策结果为真值时触发第二层预测,利用最新气象数据进行光伏发电功率小时级预测,并更新预测结果。该过程循环滚动进行,实时更新最新预测结果。这种方法既能提高短期光伏功率预测精度,又能避免计算资源的浪费。
在本发明的一个较佳实施例中,提供了基于变时间窗口的光伏发电短期功率预测方法的实现步骤如下:
S1:以当前日作为T日,将下一日的日前气象预报输入光伏发电功率预测模型中,进行T+1日中指定预测时间窗口(窗口长度记为w1)的光伏发电功率短期预测,得到T+1日的光伏发电功率短期预测结果。
需注意的是,此处所说的下一日的日前气象预报是指提前一日得到的气象预报,例如在第T日得到下一日即T+1日的气象预报,就可以视为是T+1日对应的日前气象预报。
另外,本发明中的光伏发电功率预测模型可以是任意的神经网络预测模型,只要是能够基于日前气象预报来实现光伏发电功率预测即可。
日前气象预报中的气象指标众多,全部输入光伏发电功率预测模型容易导致数据维度过大,因此日前气象预报中的气象指标,可以预先经过包含相关性分析、特征筛选、数据清洗在内的特征工程处理,最终得到降维后的气象指标组合作为光伏发电功率预测模型的输入。在本实施例中,优选推荐选择日前气象预报中的辐照度(Radiation)、降雨量(Weather Rainfall)、湿度(Weather Relative Humidity)、温度(Weather Temperature)四个参数作为光伏发电功率预测模型的输入。
最终基于上述四个参数作为输入的光伏发电功率预测模型可采用经过训练的卷积神经网络,卷积神经网络包括四维输入,分别经由四个一维卷积层和平均池化层以提取时间序列的数据特征,最后由Flatten层连接到两层全连接层,并经由Dropout模块输出光伏发电功率短期预测结果。
需注意的是,由于光伏发电仅在白天有光照的时候才能进行,因此光伏发电功率预测模型在进行T+1日的短期预测时,也可以输出存在光伏发电的一个指定预测时间窗口,其余的时间无需耗费计算资源进行预测。
S2:在T+1日的指定预测时间窗口内,实时记录光伏发电开始后的实际光伏发电功率和实际气象数据,并结合前一日的光伏发电功率短期预测结果和日前气象预报,每隔固定周期(记为p)就计算依次最新的一个固定周期内光伏发电功率的短期预测误差和气象预报误差,其中光伏发电功率的短期预测误差由最近一个固定周期(记为pi)内T+1日实际光伏发电功率数据与对应时段的光伏发电功率短期预测结果(即在T日预测得到的周期pi内的光伏发电功率)进行误差计算得到,气象预报误差由最近一个固定周期内T+1日实际气象数据与对应时段的日前气象预报数据(即在T日预测得到的T+1日的日前气象预报中周期pi内的气象数据)进行误差计算得到。每一个固定周期中,将该周期内光伏发电功率的短期预测误差和气象预报误差计算结果输入决策树,由决策树判断是否满足启动日内预测的触发条件,若判断结果为是,则表明当前这个固定周期内的实际光伏发电功率与前一日的预测值误差过大,因此利用T+1日的最新气象预报重新通过光伏发电功率预测模型进行光伏发电功率日内预测,并更新T+1日的短期光伏功率预测结果;若判断结果为否,则表明当前这个固定周期内的实际光伏发电功率与前一日的预测值较为相符,无需进行光伏发电功率日内预测。
在本实施例中,决策树为梯度提升决策树,其输入为最近一个固定周期内T+1日实际气象数据与对应的日前气象预报数据之间的第一误差,以及最近一个固定周期内T+1日实际光伏发电功率数据与对应的光伏发电功率短期预测结果之间的第二误差,其输出为日内预测的启动信号,其中1代表启动日内预测,0代表不启动日内预测。
该梯度提升决策树可预先采用监督学习算法进行训练,且训练样本的启动信号标签根据所述第二误差以及误差门槛值确定;
其中,第二误差RMSE采用均方根误差,计算公式为:
其中,N为最近一个固定周期内的光伏功率预测点的个数,Pi、分别表示第i个预测点的光伏功率预测值和光伏功率真实值;
若训练样本的所述第二误差RMSE大于误差门槛值,则该样本的标签为1,否则为0。
本实施例中,梯度提升决策树的分类指标为基尼指数,树的最大深度为4。
需注意的是,在上述判断结果为是需要重新启动日内预测时,也需要通过光伏发电功率预测模型进行预测,但此时的预测并非预测下一日,而是预测T+1日的日内光伏发电功率日,将日内预测的预测时间窗口的长度记为w2。一般而言,w2<w1。当重新进行日内预测后,更新T+1日的短期光伏功率预测结果时无需更新全部整天的预测结果,而只需要更新w2长度的预测时间窗口内的预测结果,由此实现局部的修正。
S3:每日重复执行S1和S2,并将不断记录得到的实际光伏发电功率和实际气象数据用于光伏发电功率预测模型的训练和更新。
需注意的是,上述S1和S2步骤是每一天都需要重新执行的,即每一天都需要预测下一日的光伏发电功率,然后待到下一日再根据相应的决策树来判断是否要对前一日的预测结果进行局部修正。在该过程中,每日都会不断出现新的光伏发电功率实际值数据和实际气象数据,因此所采用的光伏发电功率预测模型也可以不断进行训练和更新,并利用最新的模型参与下一次预测。
下面将上述S1~S3的短期预测方法应用于一个具体的实例中,以展示其具体实现过程和技术效果。
实施例:
考虑某园区级微电网系统,以下结合附图,对本发明的一个实例作详细说明,本发明的流程图如图1所示,方法的基本步骤如上述S1~S3,不再全部赘述,下面主要展示其具体实现细节和效果。
本实施例在Python3.0下编程实现,并调用MySQL数据库、Keras包实现日前预测部分,将日前预测结果写入数据库;sklearn包实现决策树算法部分,用以实时监测日内预测是否需要启动;若决策树预测结果为真值,利用最新气象预报,启动光伏发电功率日内预测,并更新光伏功率短期预测结果。
本实施例采用浙江嘉兴海宁光伏发电站2020年12月1日到2021年3月31日光伏功率数据、气象站实测数据和国内某气象预报网站气象预报数据进行模型的训练和预测。海宁光伏电站逆变器额定功率为3600KW。数据步长为5min。
气象预报值来源于提供全球辐照度预报服务的气象网站,通过定时爬虫获得辐照度预报,包括下短波辐射、空气温度、风速、湿度、降雨量等八项参数。
模型训练集采用2020年12月1日到2021年2月29日,共870个样本,测试集采用3月1日到3月31日整一个月数据。在本实施例中,根据实际情况,指定预测时间窗口的长度w1取12小时,即在日前预测未来一天早上6点到晚上18点的光伏功率;日内预测的预测时间窗口的长度w2取3小时,检测是否启动日内检测的时间间隔即固定周期p取15分钟,即每隔15分钟检测是否满足触发条件,若满足则启动日内预测,更新未来3小时预测结果。
预测时,以日前气象预报为基础,利用机器学习算法如支持向量机、神经网络算法等进行光伏发电功率日前预测。本实施例中预测模型采用了卷积神经网络,建立日前预测模型时卷积层、池化层的顺序和参数都需要精心设计,才能更好的提取时间序列的数据特征。一般来说,深度越深的神经网络能够在更复杂的任务上获得更高的精度,但也会导致更长的训练时间、优化收敛和过拟合问题。因此,模型设计的本质是在模型的复杂性和准确性之间进行权衡。通常情况下,卷积层和激活函数结合在一起提取输入输出的非线性关系。此为本领域的现有技术不再赘述。
首先,基于可收集到的气象预报,对各影响因素进行特征工程处理,如相关性分析筛选输入,清洗和补足数据等。本实施例中采用皮尔逊相关系数对气象数据进行相关性计算。
在统计学中,皮尔逊相关系数,又称皮尔逊积矩相关系数用于度量两个变量X和Y之间的相关(线性相关),其值介于-1与1之间。
计算结果如下表1所示:
表1气象数据集与光伏功率值相关系数
基于上述计算结果,选择前四维气象因素作为预测输入。对数据进行质量判别和异常值修正。本实施例采用箱线图法进行数据清洗,即利用数据的分位数识别其中的异常点。判别标准如下表所示:
表2箱线图法数据清洗规则
其中Q1、Q3分别代表下四分位数(25%分位点所对应的值)和上四分位数(75%分位点所对应的值)。检测出的异常点以上下两个最近的正常值补足。利用清洗后的数据和对应时段的光伏功率实际值,对预测算法进行有监督训练得到光伏发电功率日前预测模型。模型结构如图2所示,四维输入首先进入一维卷积层提取有效信息,在平均池化层进一步降维,再由Flatten层连接至两层全连接层,最后经过Dropout模块防止过拟合。最后输出次日光伏功率预测序列。
图3展示了两种典型日下的日前光伏功率预测效果,上图为云量较少如晴天的情况,下图为云量较多如阴雨天气情况。由图3可以发现,在云量较多的类型日,日前光伏功率预测难以预测准确。这主要是因为实际天气复杂多变,辐照度会受到云量和角度变化随机变化,日前气象预报难以准确预报。因此有必要在日内嵌套小时级的光伏功率短期预测。
因此需要在待预测日当日实时监测光伏功率变化情况,并由一定条件触发光伏发电功率日内预测启动的必要性。由于最近时段的光伏功率预测误差和气象预报误差最能体现下一时段预测误差可能出现的变化。因此可以用决策树进行分类预测,由当前输入得到分类预测结果,当分类结果为真值(即标签值为1),即可启动光伏发电功率日内预测,当分类结果为假(即标签值为0),不启动光伏发电功率日内预测。
本实施例采用梯度提升决策树,决策树模型选择了分类与回归树,如图4所示。该树根据最大基尼指数作为树的分类条件。
其中Ck是样本集合D中属于第k类的样本子集,|Ck|表示该子集的元素个数。|D|表示样本集合的元素个数。CART的每一次迭代中选择基尼指数最小的特征及其对应的切分点进行分类。由于决策树很容易发生过拟合,即由于对训练数据集适应得太好,反而在测试数据集上表现得不好。因此可以通过阈值控制终止条件避免树形结构分支过细,或者通过对已经形成的决策树进行剪枝来避免过拟合。本实施例种选择了树的最大深度参数避免树的过度分支。
由决策树进行分类得到光伏发电功率日内预测启动信号。若为真值1即启动预测并更新光伏功率预测结果,否则继续进行下一次检测。
图5展示了三个典型日下,多层嵌套光伏功率短期预测的效果图。其中黑色实线为光伏功率实际值,红色实线为光伏功率最终预测结果连线,黑色点线为光伏功率日前预测结果,其余虚线为各次出发光伏发电功率日内预测的预测结果。在本实施例中,光伏发电功率日内预测时间窗口长度w2为3小时,检测机制启动时间间隔p滚动执行,在本例中p取15分钟。当然,在其他实施例中,日内预测时间窗口长度w2和时间间隔p均可根据实际需求设置。
以方均根误差(RMSE)为评价指标,计算公式为:
其中,N为实际预测中光伏功率预测点的个数,Pi、分别表示预测值和真实值。经过本发明的光伏发电功率日内预测后,三个典型日的方均根误差平均下降了10%。
图6展示了测试集经过过数据清洗后的方均根误差率的变化情况,由图可见,与日前预测相比,所有测试日方均根误差均有下降。除个别测试日外,均方根误差都保持在15%以下。测试最终平均方均根误差为10.6%。更准确的短期光伏预测可以保证新能源系统更经济合理的调度。本发明在避免计算资源的浪费的前提下,提高了短期光伏功率预测精度。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (3)
1.一种基于变时间窗口的光伏发电短期功率预测方法,其特征在于,包括如下步骤:
S1:以当前日作为T日,将下一日的日前气象预报输入光伏发电功率预测模型中,进行T+1日中指定预测时间窗口的光伏发电功率短期预测,得到T+1日的光伏发电功率短期预测结果;
S2:在T+1日的指定预测时间窗口内,实时记录光伏发电开始后的实际光伏发电功率和实际气象数据,并结合前一日的光伏发电功率短期预测结果和日前气象预报,每隔固定周期计算光伏发电功率的短期预测误差和气象预报误差并将计算结果输入决策树,判断是否满足启动日内预测的触发条件,若判断结果为是,则利用T+1日的最新气象预报重新通过光伏发电功率预测模型进行光伏发电功率日内预测,并更新T+1日的短期光伏功率预测结果;若判断结果为否,则无需进行光伏发电功率日内预测;
S3:每日重复执行S1和S2,并将不断记录得到的实际光伏发电功率和实际气象数据用于光伏发电功率预测模型的训练和更新;
所述日前气象预报中,选择辐照度(Radiation)、降雨量(Weather Rainfall)、湿度(Weather Relative Humidity)、温度(Weather Temperature)四个参数作为光伏发电功率预测模型的输入;
所述光伏发电功率预测模型采用经过训练的卷积神经网络,所述的卷积神经网络包括四维输入,分别经由四个一维卷积层和平均池化层以提取时间序列的数据特征,最后由Flatten层连接到两层全连接层,并经由Dropout模块输出光伏发电功率短期预测结果;
所述决策树为梯度提升决策树,其输入为最近一个固定周期内T+1日实际气象数据与对应的日前气象预报数据之间的第一误差,以及最近一个固定周期内T+1日实际光伏发电功率数据与对应的光伏发电功率短期预测结果之间的第二误差,其输出为日内预测的启动信号,其中1代表启动日内预测,0代表不启动日内预测;
所述决策树预先采用监督学习算法进行训练,且训练样本的启动信号标签根据所述第二误差以及误差门槛值确定;
所述第二误差RMSE采用均方根误差,计算公式为:
其中,N为最近一个固定周期内的光伏功率预测点的个数,Pi、分别表示第i个预测点的光伏功率预测值和光伏功率真实值;
若训练样本的所述第二误差RMSE大于误差门槛值,则该样本的标签为1,否则为0;
根据每日不断出现的光伏发电功率实际值数据和实际气象数据,光伏发电功率预测模型不断进行训练和更新,并利用最新的模型参与下一次预测。
2.根据权利要求1所述的变时间窗口的光伏发电功率短期预测方法,其特征在于:所述日前气象预报中的气象指标,预先经过包含相关性分析、特征筛选、数据清洗在内的特征工程处理,最终得到光伏发电功率预测模型的输入。
3.根据权利要求1所述的变时间窗口的光伏发电功率短期预测方法,其特征在于:所述梯度提升决策树的分类指标为基尼指数,树的最大深度为4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110924227.5A CN113723670B (zh) | 2021-08-12 | 2021-08-12 | 变时间窗口的光伏发电功率短期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110924227.5A CN113723670B (zh) | 2021-08-12 | 2021-08-12 | 变时间窗口的光伏发电功率短期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723670A CN113723670A (zh) | 2021-11-30 |
CN113723670B true CN113723670B (zh) | 2023-12-08 |
Family
ID=78675681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110924227.5A Active CN113723670B (zh) | 2021-08-12 | 2021-08-12 | 变时间窗口的光伏发电功率短期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723670B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116757340B (zh) * | 2023-08-22 | 2023-10-13 | 国能日新科技股份有限公司 | 风电场短期风速融合预测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203038278U (zh) * | 2012-09-11 | 2013-07-03 | 华锐风电科技(集团)股份有限公司 | 风电场功率的预测系统 |
WO2017035884A1 (zh) * | 2015-08-31 | 2017-03-09 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN108388956A (zh) * | 2018-01-18 | 2018-08-10 | 华北电力大学 | 考虑辐射衰减的光伏功率预测方法 |
CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
CN110110937A (zh) * | 2019-05-14 | 2019-08-09 | 河海大学 | 一种跨区交直流大电网智能调度自动巡航方法 |
CN112163689A (zh) * | 2020-08-18 | 2021-01-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112564098A (zh) * | 2020-12-02 | 2021-03-26 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
-
2021
- 2021-08-12 CN CN202110924227.5A patent/CN113723670B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203038278U (zh) * | 2012-09-11 | 2013-07-03 | 华锐风电科技(集团)股份有限公司 | 风电场功率的预测系统 |
WO2017035884A1 (zh) * | 2015-08-31 | 2017-03-09 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN108564192A (zh) * | 2017-12-29 | 2018-09-21 | 河海大学 | 一种基于气象因子权重相似日的短期光伏功率预测方法 |
CN108388956A (zh) * | 2018-01-18 | 2018-08-10 | 华北电力大学 | 考虑辐射衰减的光伏功率预测方法 |
CN109165774A (zh) * | 2018-08-07 | 2019-01-08 | 燕山大学 | 一种短期光伏功率预测方法 |
CN110070226A (zh) * | 2019-04-24 | 2019-07-30 | 河海大学 | 基于卷积神经网络与元学习的光伏功率预测方法及系统 |
CN110110937A (zh) * | 2019-05-14 | 2019-08-09 | 河海大学 | 一种跨区交直流大电网智能调度自动巡航方法 |
CN112163689A (zh) * | 2020-08-18 | 2021-01-01 | 国网浙江省电力有限公司绍兴供电公司 | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 |
CN112564098A (zh) * | 2020-12-02 | 2021-03-26 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (2)
Title |
---|
基于ARIMA和SVR的光伏电站超短期功率预测;赫卫国;郝向军;郭雅娟;曹潇;陈锦铭;梅飞;刘皓明;;广东电力(08);全文 * |
基于MIE-LSTM的短期光伏功率预测;吉锌格;李慧;刘思嘉;王丽婕;;电力系统保护与控制(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113723670A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
Li et al. | Photovoltaic power forecasting with a hybrid deep learning approach | |
De Benedetti et al. | Anomaly detection and predictive maintenance for photovoltaic systems | |
Lipu et al. | Artificial intelligence based hybrid forecasting approaches for wind power generation: Progress, challenges and prospects | |
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN110929953A (zh) | 基于聚类分析的光伏电站超短期出力预测方法 | |
CN115425680B (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
Singh et al. | SCADA system dataset exploration and machine learning based forecast for wind turbines | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
CN112949207A (zh) | 一种基于改进最小二乘支持向量机的短期负荷预测方法 | |
CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
Pathan et al. | Efficient forecasting of precipitation using LSTM | |
CN113408659A (zh) | 一种基于数据挖掘的建筑能耗集成分析方法 | |
Quang et al. | Applying Artificial Intelligence in Forecasting the Output of Industrial Solar Power Plant in Vietnam | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
Yuan et al. | Short-term wind speed forecasting using STLSSVM hybrid model | |
CN115271242A (zh) | 光伏发电功率预测模型的训练方法、预测方法、装置 | |
Tamal et al. | Forecasting of Solar Photovoltaic Output Energy using LSTM Machine Learning Algorithm | |
CN114492945A (zh) | 电力市场背景下的短期光伏功率预测方法、介质及设备 | |
KR20230066927A (ko) | 발전량 예측 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |